OPPO下一代Agent曝光：打破设备孤岛，让AI走进物理世界

当前智能体的核心困境：信息孤岛与数据隔阂

从 2022 年的对话式智能（回答），到 2023 年工具增强（调用）、2024 年单机执行（完成）、2025 年多 Agent 编排（协作），Agent 每一步演进都在拓展任务边界。王吉宏认为，下一阶段需要解决的问题，已经从“会不会回答、会不会执行”延伸到跨设备、跨用户，以及数字世界与物理世界之间的连接。

1. 四个方向的孤岛问题

信息孤岛来自用户信息在手机、电脑、平板等终端间的分散；执行孤岛则是任务需要不同设备的能力，例如电脑能读取合同，发送短信却需要手机执行。现有一些跨端方案可以通过手机向电脑发指令，但不等于具备手机端执行能力。

关系孤岛体现在会议邀约等多人任务中：发起方不仅要联系对方，还需要对方的 Agent 根据日程和优先级做判断，而不应直接获取其私人日程。感知孤岛则来自数字系统对现实环境了解有限：Agent 可能知道用户买过什么，却无法仅凭历史订单判断用户当下的状态与需求。这四类问题共同指向跨设备、跨用户、跨环境的连接能力。

下一代智能体的两条正交跃迁路径

1. 两条正交的跃迁路径

团队将探索分为两个方向：横向是从孤立走向链接，把设备、用户和 Agent 连接起来；纵向是从数字走向物理，让 Agent 面对持续发生的现实事件，而不只处理一轮轮离散指令。两者分别对应数字世界的 TopoClaw 和物理世界的 Venom。

2. 四象限划分

这两条轴形成四个象限：聊天助手属于“数字·孤立”，连接型数字助手属于“数字·互联”，孤立的单体机器人属于“物理·孤立”。团队希望探索的右上角，是兼具连接性、持续性、行动能力和可追责性的“持续多主体智能体生态”。这是目标形态，并非已经完成的产品能力。

数字世界探索：TopoClaw——跨设备、跨用户的智能体探索

1. TopoClaw 总览：三大核心能力

TopoClaw 探索三类能力。跨端协同执行把电脑、手机、平板抽象为设备单元，根据任务调用相应终端；多人多 Agent 协作将用户与助手作为有关系、有身份的节点，通过拓扑链接协作；主动感知推进则把分散事件串起来，例如位置变化触发推荐，或由事件 A 推动后续的事件 B、C。它关注的不只是单次任务能否完成，还有任务能否跨设备和协作关系继续流转。

2. TopoClaw 总体架构：双拓扑

架构分为设备拓扑与用户拓扑：前者连接电脑、手机、平板和边缘设备，后者连接用户、好友、同事、家人、个人助手、公共助手等节点。在双拓扑之上，Harness 提供生命周期、记忆、工具与技能、调度器、消息总线；跨拓扑引擎负责物理设备路由和社交关系编排。执行前还要经过拓扑上下文监控、动态权限降级、分布式策略执行、沙箱与语义审计等边界防御机制，最终进入设备或社交执行平面。

3. 设备拓扑：让任务在最合适的终端上执行

不同终端承担不同工作：手机负责消息、GUI、位置与穿戴信号；电脑适合代码、工具、GUI 自动化和数据处理；平板侧重 GUI、学习与娱乐；边缘设备提供环境感知及本地执行。PC 中枢统一编排，汇总状态和结果回执，执行链路依次为任务投递→能力路由→端侧执行→结果回流→状态更新。

对手机端，方案不预设第三方应用拥有系统级控制权，主要借助 GUI 操作；电脑则按实际能力选择 CLI、MCP、代码工具或 Computer Use。设计目标是让任务跨端执行后，仍保持一致的回执口径和用户感知。

4. 社会拓扑：把真实关系带进智能体协作

社会拓扑围绕关系、身份、权限组织协作。好友系统描述真实关系；身份区分用户、个人助手及其归属；权限决定谁能看见什么、执行什么。例如，好友的 Agent 可以询问某个时间是否方便，但不应因此获得完整日程。跨用户协作必须与权限边界同时设计。

5. Demo 演示：跨设备与跨用户

跨设备 Demo 中，用户要求从电脑上的《劳务合同》PDF 找出甲方姓名、电话，并发短信询问时间。Agent 在电脑读取文件、提取信息，再转到手机借助 GUI 完成短信编辑与发送。另一个 Demo 中，用户要求创建“内部小聚群”、拉好友小 B 入群并询问晚餐时间。演示展示了个人 Agent 向对方 Agent 发起询问、由对方根据自身日程判断的协作方式，对方的详细日程无须直接暴露给发起方。

物理世界探索：Venom——全自主多模态智能体探索

1. 数字世界 vs 物理世界：三个根本差异

Venom 面对的是持续输入的现实环境。相较于数字世界中较为离散的任务、回合制交互、文本记忆，物理世界对应连续事件、自主交互、多模态记忆：画面与声音不断进入系统，Agent 需要判断是否响应、采取行动还是保持沉默。连续输入也提高了计算和存储负担，无法把所有画面与对话无限堆进上下文。

2. Venom 的三个核心研究问题

团队把难点归纳为三个研究问题：RQ1 连续感知，如何从无边界音视频生成可更新、可抢占的状态；RQ2 主动个性化，何时说话、行动或沉默；RQ3 长期记忆，如何压缩经历，同时保留回到原始证据的能力。感知、介入和记忆需要共同形成持续闭环，而不能各自独立处理。

3. Venom 总体架构：顶层、中层与底层

Venom 采用三层设计。顶层状态与策略层包含 BIG5 人格特质、行为偏置和目标状态等配置；中层运行与决策层接收视频、音频、文本，结合人格、目标上下文和近期记忆（约 2 分钟）决定走快速通道，还是检索记忆后经慢通道推理，输出回复、行动或工具调用。底层记忆存储层按证据粒度分为 L1 事实与关系、L2 片段与事件、L3 视觉帧。检索时由宏观记忆逐步下钻，沉淀时由原始记录提炼更稳定的信息，并在后台异步回写。

4. 连续感知：用事件—状态—策略—记忆组织连续现实

运行链路为连续音视频→事件流→Agent 状态→主动策略→语音/工具/行动。行动回执或环境变化重新进入事件流，系统沿共享时间轴持续更新。另一条异步记忆链路将当前状态提炼为情景片段、语义事实，再形成用户画像与 Agent 自我模型；新增记忆反过来影响下一时刻的感知重点和主动阈值。

5. 长期记忆：可逆的分层压缩

长期记忆并不等于无限上下文。Venom 将记忆分成 M0 当前状态（秒至分钟，场景、说话人、进行中的任务）、M1 情景记忆（分钟至小时，事件、参与者和结果）、M2 语义记忆（跨天至跨月，稳定事实、规律、偏好及因果假设）、M3 人格与关系记忆（更长期的画像、自我模型和关系历史）。抽象路径为 experience→episode→fact→persona。高层结论只是压缩视图，必要时仍要能够回溯原始证据并修正记忆。

6. Demo 演示：全自主行为监测

Venom Demo 模拟用户离开工位并请 Agent 帮忙留意环境。Agent 通过多模态感知识别来访者，用户回来后主动提醒“老板来过”；当用户追问上周交代的工作，又可从长期记忆中检索相关任务。演讲人也说明，这一方向仍处在较早的研发阶段，交互个性化和主动判断还有改进空间。

模型与 Harness 的协同演进

在现场问答中，王吉宏谈到模型与 Harness 的关系：模型能力决定系统上限，Harness 负责补足当前模型还做不到或做不好的环节。Venom 的多模块设计，正是为连续感知、交互决策和长时记忆提供工程层面的支持。

如果未来模型能够对连续视频快速处理，并实时决定何时响应，部分调度逻辑可以简化；但现阶段，持续输入与跨天、跨月的长期记忆仍需要外部架构承接。随着模型能力变化，Harness 也会不断调整。

点个在看你最好看

SPRING HAS ARRIVED